Il 2026 è l’anno in cui gli agenti di shopping AI escono dalla demo. Operator di OpenAI, Claude Computer Use di Anthropic, ChatGPT Shopping, Perplexity Buy with Pro, Gemini Shopping — ciascuno, a modo suo, propone a un utente di eseguire un acquisto al suo posto: trovare un prodotto, confrontare, aggiungere al carrello, persino convalidare il checkout. Per il merchant e-commerce, è un cambio di paradigma: una parte crescente del traffico diventa agenti, non umani, e un catalogo mal preparato diventa invisibile per questa nuova audience.
Questo articolo risponde a tre domande concrete: cosa costituisce già una parte misurabile del traffico nel 2026? Come un agente AI “legge” realmente una scheda prodotto? E quali azioni tecniche condurre su un catalogo PrestaShop per restare scopribile?
Cosa è realmente distribuito nel 2026
L’ecosistema, al momento in cui questo articolo viene scritto, si compone grosso modo di:
- ChatGPT Shopping (dal 2024-2025): un visitatore pone una domanda di intenzione d’acquisto (“miglior monopattino elettrico adulto pieghevole sotto 800 €”), ChatGPT risponde con una short-list cliccabile. Il click porta sul negozio sorgente. Inclusione condizionata dalla qualità dei dati strutturati e dell’IndexNow/sitemap.
- Perplexity Pro Shopping: integrato al motore di risposta Perplexity, propone prodotti cliccabili nel margine delle risposte “acquisto”. Molto visivo, sourcing diretto dai markup Schema.org e Open Graph.
- Google AI Overviews Shopping: integrato direttamente alle SERP Google. Selezione basata sullo Shopping graph (che dipende dal Merchant Center e dai markup Product/Offer).
- Operator (OpenAI) e Claude Computer Use (Anthropic): agenti che controllano un browser. Più rari nel 2026 ma in crescita. Navigano realmente il sito, cliccano i pulsanti, compilano i form. È un visitatore sintetico, che segue il DOM e il rendering visivo.
- Agenti integrati ad altre app: Microsoft Copilot Shopping, Amazon Rufus (lato Amazon), agenti WhatsApp Business nascenti.
Volume stimato su negozi moda/arredo/tech B2C italiani mid-market nel 2026: 2-8% del traffico referer proviene già da agenti AI, in crescita rapida. Non ancora maggioritario, ma neanche più marginale.
Come un agente AI “legge” una scheda prodotto
Due modalità di lettura coesistono e coesisteranno nel 2026:
Modalità 1: data-first (la maggioranza)
L’agente non carica la pagina renderizzata. Interroga un’API pubblica o aspira il markup Schema.org strutturato. Fonti prioritarie:
- JSON-LD Schema.org embedded nella pagina (Product, Offer, AggregateRating, hasMerchantReturnPolicy, shippingDetails).
- Open Graph meta (og:title, og:description, og:image, og:type=product).
- Feed Google Merchant Center (XML o API Content).
- File llms.txt se esiste (che può puntare a una versione strutturata del catalogo).
- Sitemap XML prodotto con date di modifica e priorità.
Nessun JavaScript eseguito, nessun rendering visualizzato. Se l’informazione non è nell’HTML statico o nei feed strutturati, non esiste per l’agente.
Modalità 2: browser-first (Operator, Computer Use)
L’agente carica la pagina come farebbe un umano — esegue JS, vede il DOM renderizzato, scatta screenshot, identifica i pulsanti, clicca. La sua lettura è più vicina a un visitatore reale, ma con alcune particolarità:
- Ha bisogno di elementi interattivi nominati ed etichettati (pulsanti con aria-label, form con label associate). Il lavoro di accessibilità fatto per WCAG 2.2 serve direttamente qui.
- È sensibile ai popup bloccanti e alle modali senza un pulsante di chiusura chiaro. Un banner cookie impossibile da chiudere da tastiera bloccherà l’agente tanto quanto un utente con disabilità.
- Privilegia i percorsi lineari e i checkout in una sola schermata. Un funnel a sei step è più rischioso di un one-page checkout.
La checklist di ottimizzazione per catalogo PrestaShop
1. JSON-LD Schema.org completo e aggiornato
È la fondazione. Vedi l’articolo dedicato a Schema.org Product 2026: hasMerchantReturnPolicy, shippingDetails, ProductGroup per le varianti, AggregateRating reali, GTIN/MPN/brand compilati. Senza, un agente AI non può abbinare la scheda prodotto a un’intenzione d’acquisto.
2. File llms.txt alla radice
Lo standard llms.txt (portato avanti da Anthropic dalla fine del 2024) propone un file markdown alla radice del dominio che descrive il sito e punta verso le risorse strutturate più utili ai modelli. Per un negozio e-commerce, il llms.txt tipico contiene:
- Identità del merchant e settori coperti.
- URL del sitemap prodotto.
- URL di un feed JSON catalogo (se disponibile).
- Policy di reso e di spedizione riassunta.
- Informazione di contatto per gli agenti (email machine-friendly).
Lato DataFirefly, il modulo dfllmstxt genera questo file automaticamente per i negozi PrestaShop, con aggiornamento giornaliero e personalizzazione per negozio del multi-shop.
3. Open Graph prodotto pulito
Oltre a Schema.org, gli agenti AI e i social network interrogano i tag Open Graph e Twitter Card. og:type=product, og:image al formato 1200×630, og:title chiaro, og:price:amount e og:availability quando pertinente. Molti temi PrestaShop dimenticano og:price.
4. URL canonici stabili
Un agente che torna su una scheda deve ritrovare lo stesso URL. Gli URL con parametri dinamici (id_lang=1, controller=product, ecc.) sono meno affidabili di URL riscritti stabili. SEO e AEO si incontrano qui.
5. Disponibilità e prezzo affidabili lato server
L’agente legge l’HTML renderizzato lato server. Se il prezzo reale viene calcolato in JavaScript lato client (caso frequente con i moduli di promo dinamica), l’agente vedrà il prezzo di default. Verificare che il prezzo mostrato nell’HTML statico corrisponda al prezzo reale.
6. Robots.txt e policy di crawl esplicita
I principali crawler degli agenti AI si identificano ormai con user-agent riconoscibili: GPTBot, ClaudeBot, PerplexityBot, ChatGPT-User, Anthropic-Verifier, Google-Extended. In un robots.txt 2026, si autorizzano esplicitamente quelli che si vogliono accogliere e si bloccano quelli che si rifiutano. Bloccare ciecamente tutti i bot AI è allettante ma taglia il negozio fuori dall’audience futura.
7. Performance e stabilità del rendering server
Gli agenti browser-first abbandonano se la pagina impiega più di qualche secondo a caricare o se il DOM si muove costantemente (CLS elevato). Il lavoro Core Web Vitals fatto per Google serve direttamente agli agenti — è lo stesso criterio tecnico, semplicemente applicato da un agente invece che da un robot di indicizzazione.
8. Checkout machine-friendly
Per gli agenti che arrivano fino all’acquisto (Operator, Computer Use): checkout one-page o molto breve, niente captcha bloccanti, pagamento express disponibile (Apple Pay, Google Pay), riepilogo chiaro prima della conferma. Un carrello abbandonato per via di un captcha imposto in checkout a un agente AI è una vendita persa — e nel 2026 inizia a contare.
Misurare la quota agenti nel proprio traffico
Gli agenti AI lasciano in genere la loro traccia nello user-agent e a volte nel referrer. I principali da monitorare nel 2026 nei log server o GA4:
- GPTBot, ChatGPT-User (OpenAI).
- ClaudeBot, Claude-User, Anthropic-Verifier (Anthropic).
- PerplexityBot, Perplexity-User (Perplexity).
- Google-Extended (Gemini / AI Overviews).
- CCBot (Common Crawl, alimenta diversi modelli).
- Applebot-Extended (Apple Intelligence).
Aggiungere una dimensione custom in GA4 o un filtro nel proprio strumento di analytics lato server per isolare questo traffico permette di misurare la crescita e di calcolare il ROI reale dell’investimento AEO.
I rischi da anticipare
Tre insidie da tenere a mente:
- La frode tramite agente: un agente mal allineato o dirottato può tentare acquisti di massa, fare scraping di prezzi, o peggio. La protezione passa per rate-limiting intelligente (bloccare i pattern sospetti senza bloccare gli agenti legittimi) e step-up authentication per i carrelli atipici.
- La disintermediazione marca-cliente: se l’agente chiude il funnel da capo a coda senza che l’utente passi sul sito merchant, il brand perde l’opportunità di comunicazione (newsletter, retargeting, cross-sell). Tendenza che si amplificherà e che bisogna integrare nella strategia di fidelizzazione.
- Il contenuto generato da AI nelle recensioni: una deriva già osservata. Investire in recensioni verificate (verified reviews) garantisce l’autenticità del segnale e la conformità ai requisiti Google sulla qualità delle review.
Conclusione: preparare il proprio catalogo non è opzionale
L’AEO del 2025 era un’opzione interessante. L’AEO nel 2026 è una condizione di accesso al traffico. I negozi che non avranno aggiornato il proprio markup Schema.org, pubblicato il proprio llms.txt e configurato il proprio robots.txt per gli agenti AI vedranno la loro quota di mercato sul traffico AI tendere a zero mentre i concorrenti catturano i primi effetti di rete.
Buona notizia: queste azioni tecniche sono tra le meno costose del marketing digital 2026. Qualche settimana di lavoro ben mirato basta per passare alla categoria “catalogo leggibile dagli agenti”. La vera competizione si gioca ormai sulla qualità del prodotto, del prezzo e del servizio — non sull’attrito tecnico di accesso all’informazione.
